摘要 | 第3-4页 |
ABSTRACT | 第4-5页 |
1 绪论 | 第9-15页 |
1.1 课题研究背景和意义 | 第9页 |
1.2 国内外研究现状 | 第9-12页 |
1.3 研究目的及内容 | 第12-15页 |
1.3.1 研究目的 | 第12页 |
1.3.2 研究内容 | 第12-15页 |
2 压缩机叶片内流场数值仿真 | 第15-33页 |
2.1 引言 | 第15-16页 |
2.2 叶片流线曲率法 | 第16-19页 |
2.2.1 子午面控制方程 | 第17-18页 |
2.2.2 回转面控制方程 | 第18页 |
2.2.3 求解流程 | 第18-19页 |
2.3 叶片三维 CFD 数值方法 | 第19-29页 |
2.3.1 CFD 控制方程 | 第19-21页 |
2.3.2 湍流模型 | 第21-22页 |
2.3.3 网格生成方法 | 第22-25页 |
2.3.4 控制方程离散方法 | 第25-27页 |
2.3.5 求解流程 | 第27-29页 |
2.4 叶片边界条件 | 第29页 |
2.5 叶片流场仿真结果分析 | 第29-32页 |
2.6 小结 | 第32-33页 |
3 压缩机叶片参数化研究 | 第33-43页 |
3.1 引言 | 第33-34页 |
3.2 Bezier 曲线拟合法 | 第34-35页 |
3.2.1 伯恩斯坦基函数的性质 | 第34-35页 |
3.2.2 贝塞尔曲线的性质 | 第35页 |
3.3 B 样条曲线拟合法 | 第35-37页 |
3.3.1 B 样条基函数及其性质 | 第36页 |
3.3.2 B 样条曲线的性质 | 第36-37页 |
3.4 拟合曲线控制顶点反算 | 第37-38页 |
3.4.1 Bezier 曲线拟合 | 第37页 |
3.4.2 B 样条曲线拟合 | 第37-38页 |
3.4.3 最小二乘逼近 | 第38页 |
3.5 基于 Bezier 和 B 样条曲线的叶片参数化 | 第38-40页 |
3.6 小结 | 第40-43页 |
4 目标函数近似模型构建 | 第43-55页 |
4.1 引言 | 第43页 |
4.2 ANN 神经网络基本概念 | 第43-48页 |
4.2.1 人工神经元模型 | 第43-45页 |
4.2.2 ANN 网络结构 | 第45-46页 |
4.2.3 神经元的网络模型及工作方式 | 第46-47页 |
4.2.4 神经网络的学习 | 第47-48页 |
4.3 BP 神经网络 | 第48-50页 |
4.3.1 BP 网络的学习算法 | 第48-49页 |
4.3.2 BP 神经网络算法的改进 | 第49-50页 |
4.4 RBF 径向基神经网络 | 第50-51页 |
4.4.1 正则化理论 | 第50-51页 |
4.4.2 RBF 的学习算法 | 第51页 |
4.5 神经网络的建立及结果分析 | 第51-54页 |
4.6 小结 | 第54-55页 |
5 全局寻优算法研究 | 第55-65页 |
5.1 引言 | 第55页 |
5.2 标准遗传算法简介 | 第55-59页 |
5.2.1 编码方法 | 第56-57页 |
5.2.2 适应度函数 | 第57页 |
5.2.3 遗传算子 | 第57-59页 |
5.3 多目标算法 | 第59-62页 |
5.3.1 多目标优化问题 | 第59页 |
5.3.2 Pareto 多目标最优解集 | 第59-60页 |
5.3.3 多目标遗传算法流程 | 第60-61页 |
5.3.4 NSGA-II 算法 | 第61-62页 |
5.4 多目标遗传寻优及结果分析 | 第62-64页 |
5.5 小结 | 第64-65页 |
6 压缩机叶片的优化 | 第65-79页 |
6.1 引言 | 第65-66页 |
6.2 叶片优化策略及方法 | 第66-71页 |
6.2.1 优化前处理 | 第66-67页 |
6.2.2 优化方法和步骤 | 第67-68页 |
6.2.3 输入输出参数相关分析 | 第68-70页 |
6.2.4 BP 神经网络的预测 | 第70-71页 |
6.3 叶片优化结果分析 | 第71-78页 |
6.4 小结 | 第78-79页 |
7 总结与展望 | 第79-81页 |
7.1 全文总结 | 第79页 |
7.2 研究展望 | 第79-81页 |
致谢 | 第81-83页 |
参考文献 | 第83-87页 |
附录 | 第87页 |
A. 作者在攻读学位期间发表的论文目录 | 第87页 |
B. 作者在攻读硕士学位期间参加的科研项目及得奖情况 | 第87页 |